Core Concepts
그래프 구조 기반 신경 텐저 커널을 활용하여 그래프를 효율적으로 요약하는 방법을 제안합니다.
Abstract
인터넷 기술의 발전으로 그래프 구조 데이터 양이 증가하고 있습니다.
그래프 신경망(GNNs)은 다양한 그래프 채굴 작업에 효과적인 방법으로 제안되었습니다.
기존의 그래프 요약 방법은 계산 집약적인 이중 최적화 구조를 통해 그래프 구조 데이터를 요약합니다.
본 논문에서는 그래프 요약 문제를 커널 릿지 회귀(KRR) 작업으로 재구성하여 제안합니다.
구조 기반 신경 텐저 커널(SNTK)을 개발하여 그래프의 위상을 캡처하고 KRR 패러다임에서 커널 함수로 작용합니다.
실험 결과는 제안된 모델이 그래프 요약을 가속화하고 높은 예측 성능을 유지하는 데 효과적임을 입증합니다.
Stats
그래프 신경망(GNNs)은 다양한 그래프 채굴 작업에 효과적인 방법입니다.
그래프 요약 방법은 계산 집약적인 이중 최적화 구조를 사용합니다.
그래프 요약은 커널 릿지 회귀(KRR) 작업으로 재구성됩니다.
Quotes
"The rapid development of Internet technology has given rise to a vast amount of graph-structured data."
"A data-centric manner solution is proposed to condense the large graph dataset into a smaller one without sacrificing the predictive performance of GNNs."
"In this paper, we propose reforming the graph condensation problem as a Kernel Ridge Regression (KRR) task instead of iteratively training GNNs in the inner loop of bi-level optimization."